基于贝叶斯时空建模的高速公路事故黑点判别

为了识别高速公路事故黑点,基于历史交通事故数据,建立贝叶斯时空交互模型,估计高速公路路段事故率和超常事故率.根据其后验期望序号对路段安全性进行排序,将排序靠前的一定比例路段判定为事故黑点.利用该方法对广东开阳高速公路进行事故黑点判别,并与基于贝叶斯层级泊松模型的黑点判别结果进行对比.结果表明,时空交互模型和层级泊松模型的事故路段排序结果存在显著差异.以事故率为安全评价指标时,2个方法判别的事故黑点中有73%相同;以超常事故率为安全评价指标时,2个方法判别的事故黑点中仅有20%相同.这与类似研究的结论一致,体现了解析时空关联和交互对事故黑点判别的重要性.另外,还对比了基于评价指标后验期望序号和后验均值的事故路段排序序号.结果显示二者的一致性较高.      

交通事故黑点鉴别与改善排序研究

为降低路段统计尺度对交通事故黑点识别结果的影响,汲取动态划分路段原理的优点,考虑不同间距上空间相邻事故发生概率,提出基于动态分段的泊松分布黑点鉴别方法和计算模型;引入时间维度,考虑事故发展趋势,采用重要性-绩效分析方法(Importance Performance Analysis,IPA)对事故黑点严重程度进行排序;将该方法与基于动态分段的当量事故数法进行对比,结果表明该方法在动态路段长度划分上更符合实际,避免了把事故黑点拆分成多个,得出的事故黑点更精确,更便于事故成因的系统分析,同时在确定黑点改善顺序时考虑了事故黑点发展趋势变化,可在有限资金约束下实现效益最大化。     

基于BP网络的道路水泥再生混凝土性能的评价

为了评价道路水泥再生混凝土的性能,在分析BP神经网络原理的基础上提出了用BP神经网络模拟道路水泥再生混凝土性能与各影响因素间关系的方法。根据道路水泥再生混凝土的实际工况,建立了3个输入节点、4个输出节点的BP神经网络模型,通过9组试验,验证了模型的可靠性。结果表明,实测结果与预测结果相接近,BP神经网络模型可以较准确的评价道路水泥再生混凝土的性能。     

模拟驾驶环境下驾驶人分心状态判别

为了探寻驾驶人分心判别方法,构建了驾驶人分心状态判别模型。首先设计分心模拟驾驶试验,采集正常驾驶和发送语音信息过程中的驾驶绩效特征和驾驶人眼动特征数据,建立驾驶人分心状态判别指标备选集;其次,采用基因选择算法对备选指标进行筛选,得到29个备选指标的重要度排序;然后,依次选取重要度较高的部分指标作为BP神经网络的输入指标,利用遗传算法（GA）全局搜索的性能优化BP神经网络的初始权值和阈值,将优化后的GA-BP神经网络作为弱分类器,再将多个弱分类器组合成Adaboost强分类器,建立基于Adaboost-GA-BP组合算法的驾驶人分心状态判别模型;最后,利用模拟驾驶器试验平台采集的数据计算不同判别指标数量下模型的性能,从而确定最优判别指标,并对模型进行验证和评价。结果表明：模型最优判别指标为重要度排序中前14个指标;模型能够准确识别驾驶人分心状态,判别精度为95.09%;与BP神经网络算法、GA-BP神经网络算法和Adaboost-BP神经网络算法相比,Adaboost-GA-BP组合算法在准确率、精准率、召回率、F₁值和ROC曲线等模型性能方面均最优。建立的模型能够有效判别驾驶人分心状态,可为驾驶人分心预警系统和分心控制策略提供依据。     

基于数据分类的高速铁路运营事故预测方法

高速铁路运营事故预测方法是度量铁路安全管理水平的重要指标.为提高高速铁路的安全运营水平,引入工业数据分类方法,分析反向传播(BP)神经网络和灰色模型在高速铁路安全运营事故预测过程中的适应性.首先,运用事故次数、事故联动系数、月均事故率3个参数对高速铁路安全运营水平进行度量;然后,根据工业数据分类方法判别高速铁路运营事故数据属于块状型,据此建立反向传播(BP)神经网络运营事故预测模型;针对运营事故数据具有波动大的特点,利用均值聚类方法建立K-GM(1,3)预测模型.以近年来高速铁路运营事故数据为样本对模型进行训练和分析,结果表明:BP神经网络、K-GM(1,3)、GM(1,3)预测模型的预测误差分别为8.92%,13.68%,345.25%,BP神经网络在高速铁路安全运营事故预测过程中的适应性要优于灰度模型.      

基于线形指标的山岭重丘区高速公路事故预测模型

依据我国山岭重丘区高速公路几何线形和交通事故数据,建立了基于交通流量和几何线形指标的高速公路基本路段事故预测模型.首先,基于几何线形条件对基本路段进行了划分,确定了路段单元.其次,分析并确定了理想线形条件的范围,建立了理想线形条件下的基本事故率预测模型.再次,应用BP神经网络与敏感性分析相结合的方法,确定出了对事故发生有突出影响的道路纵坡、平曲线半径和直线段长度3个线形指标,并确定了上述线形指标的事故率修正系数.依据基本事故率预测模型及事故率修正系数即可进行事故预测.模型验证结果表明:该模型能够对路段单元进行事故预测,事故总体预测值与实际值的相对误差在-5.85％～-7.87％之间.     

水上交通流冲突严重度BP神经网络评价方法

目前的水上交通流评价方法在评价指标关系模糊、来源不清等情况下难以运用,且主观性较强,存在评价结果严重偏离实际的情况,忽视了客观性不足的问题.为降低专家主观性对水上交通流冲突严重度评价的影响,基于BP神经网络建立评价模型,并通过网络训练进行函数比较,确定最符合模型设定要求的Trainlm函数,以及精度与迭代次数.由于数据的差异性会对BP神经网络的训练效率和评价精度造成影响,基于聚类分析与BP神经网络建立新的评价模型,将训练数据按照欧几里得度量进行归类开展神经网络训练,分别对水上交通流冲突严重度进行评价.运用9个水道数据为例对模型进行验证,通过比较聚类分析数据与未处理的原始数据在BP神经网络中的评价结果,发现评价结果平均误差从42.05%降低到23.74%,进一步验证了BP神经网络在该领域的可行性.评价模型利用聚类分析与BP神经网络相结合的方法,不仅客观性较强,而且与单一使用BP神经网络的模型相比提升了评价精度.      

基于信息分配的道路黑点鉴别方法

为解决传统的道路黑点鉴别方法中存在的小样本问题及事故样本的信息损失问题,深入分析了事故数据的小样本特性及事故样本反映路段行车风险的多维性;并引入信息分配技术对交通事故数据进行处理,通过计算和比较事故样本分配给各路段单元的事故信息量(而不是事故频次)进行道路黑点鉴别。结果表明:信息分配技术能充分挖掘小样本事故数据提供的道路黑点鉴别信息,事故信息量比事故频次更能反映各路段单元行车风险的大小。     

道路危险等级评定及排查治理效果评价体系研究

在当前全国各地积极开展对道路危险路段、事故多发点段进行排查、治理的背景下，提出要对筛选出的道路危险源进行等级评定，科学排序后分期分批治理，并对治理效果进行综合评价的理念，可为在我国建立道路危险路段、事故多发点段排查与治理效果评估体系提供参考。     

基于BP神经网络的湿地道路生态景观综合评价研究

该文采用德尔菲法确立了湿地道路生态景观的评价指标体系,并基于BP神经网络算法构建了湿地道路生态景观评价模型,解决了多指标变权的动态求解问题。最后以衡水湖国家级湿地道路生态景观为例进行实证分析,验证了湿地道路生态景观评价指标体系的可行有效性和综合评价模型的实用性,效果良好。     

边缘率标线应用效果

为探究边缘率标线对事故黑点改善效果,将其应用于广东省广云、云梧和云罗3条高速公路26个事故黑点改善治理,以事故数量和事故强度为评价指标,追踪评估了该技术对降低交通事故的效果。结果表明,该技术应用后半年,24个事故黑点事故数量下降,80. 7%的事故黑点事故数降低率达50%,25个事故黑点事故强度下降,92. 3%的事故黑点事故强度降低率达50%;该技术应用后两年,22个事故黑点事故数量下降,57. 7%的事故黑点事故数降低率达50%,25个事故黑点事故强度下降,92. 3%的事故黑点事故强度降低率达50%。该技术在降低事故强度方面的持续性和稳定性更好。     

基于聚类分析的高速公路事故黑点鉴别及成因分析研究

为了提高事故黑点鉴别的客观性、公正性及识别水平,提出基于灰色聚类评价的事故黑点鉴别方法,并结合聚类因子法识别事故黑点诱发因素。该方法是将聚类思想应用于事故黑点鉴别及成因分析的全过程,可实现对不同层次事故黑点的分级管理。经鉴别,可将评价路段单元分为正常路段、一般路段及事故黑点3类,从而将道路几何条件、交通条件、环境特性属性相似的事故黑点聚为一类进行事故成因分析。依托长余高速公路的交通事故数据进行实例分析,确定上下行事故黑点数,并对其进行成因分析,且将基于聚类分析得到的事故黑点及其成因与实际考察得到的事故黑点及其成因进行对比分析。结果表明:基于聚类分析得到的事故黑点与实际路段事故黑点基本吻合,采用基于聚类分析预测事故黑点是可靠的。     

基于风险分析的公路工程保险费率厘定

在考虑工程风险及保险实际理赔情况的基础上,形成了含自然灾害、项目环境等7个指标维度的风险评价体系,利用粒子群(PSO)算法优化BP神经网络的初始阈值及权值,建立了公路工程保险费率厘定模型。将该模型应用于34个公路工程保险实际案例,通过PSO-BP神经网络拟合保险样本中风险指标因素与费率之间的关系,实现费率预测。对比分析PSO-BP神经网络与BP神经网络的仿真效果,结果表明,PSO-BP神经网络模型能较好地反映公路工程实际风险水平,预测准确度高,收敛速度快,适用于保险费率厘定。     

人工神经网络在道路交通安全评价中的应用研究

为了提高道路交通安全评价的准确性,采用人工神经网络技术,建立了基于BP神经网络的道路交通安全综合评价模型。通过有效样本的学习,应用该模型,实现了对道路交通安全专家知识与经验的提取和存储,对提高交通管理部门的管理和决策水平具有指导作用。文中以已完成的道路交通安全评价案例为学习样本,说明了该模型的应用效果。     

基于BP神经网络的微观交通安全预测方法

将主成分分析及BP神经网络模型引入到道路交通安全性预测中,从微观层面分析影响交通事故的因素,重点分析道路参数,并形成文中的原始数据。对原始数据进行主成分分析,将结果作为神经网络模型的输入,建立BP神经网络模型,对道路交通安全性进行预测。结果表明,基于主成分分析的BP神经网络模型比一般BP神经网络模型精度更高,而且从微观的层面进行分析可以得到道路参数对交通事故的影响。     

改建工程设计阶段安全评价方法研究

综合了道路设计阶段3种常用的安全评价方法,针对安全审查清单中的内容提取建立了道路设计因素隐患指标和交通安全设施保障能力指标;通过对运行速度协调性的评价结果建立交通流运行特征指标;基于事故统计资料分析建立了事故评价指标。在此基础上,采用线性加权综合评价模型将上述4个指标综合,建立了道路危险指数指标(RDI)。计算的该指标值是将道路设计中各要素存在的安全隐患进行叠加的结果,以反映道路整体安全状况。通过在山西省大运公路改建工程中应用,将道路全线划分为13个路段,分别计算每段值,结果表明,该方法能实现不同路段间相对安全性的比较,以便对危险路段采取措施,从而对改进完善设计起到良好的效果。     

遗传算法优化的整车7自由度EPS控制仿真

根据EPS的结构和动力学特性,建立EPS动力学方程,采用PID控制和基于遗传算法优化的BP神经网络控制策略,并结合7自由度的整车模型和魔术轮胎模型建立整车EPS仿真模型。文中使用了一种含有3个参数的双指数形式的道路附着系数与滑移率关系计算模型,分析了PID控制和优化神经网络控制对EPS整体系统的影响。     

基于反向传播神经网络的驾驶人人际与情绪危险性模型

为评价和研究驾驶人的人际关系质量对安全驾驶的影响,利用情绪状态可测定的特性,采用反向传播(BP)人工神经网络工具,建立人际-情绪危险性网络模型,并利用530个情绪与人际关系的有效样本作为建模样本占总样本量的80.7%,127个样本作为测试样本,反复对模型进行学习和训练,分别取得了建模样本68.3%的正确率,测试样本70.1%的正确率。研究结果表明:利用BP神经网络建立的人际与情绪危险性模型,在系统关系不明确的状态下仍能达到较为理想的评价结果,可以作为驾驶人尤其是职业驾驶人安全管理和自我检测的有效手段。     

基于模态分析理论和神经网络的斜拉桥拉索损伤识别研究

将振动模态分析和神经网络技术结合起来,以振动模态构造的损伤标识量作为神经网络识别输入的特征参数,进行结构健康监测。根据云阳长江公路大桥设计资料,考虑桥梁拉索结构的单构件损伤、2个构件损伤、3个构件损伤3类损伤工况,分别采用了模态频率、位移振型模态、曲率模态3种指标作为神经网络的输入参数,共建立9个BP神经网络模型进行了桥梁损伤识别的研究。研究结果表明基于振动模态分析理论和BP神经网络的桥梁损伤识别方法可用于识别斜拉桥拉索结构的损伤位置和损伤程度。     

公路交通事故黑点诊断技术研究

本文通过对公路交通安全系统中各影响因素分析，将影响因素共分为7大类，建立事故黑点评价指标体系，以综合加权的方法实现交通事故率标准化，以类比分析法确定相应指标对交通事故率的分影响强度。然后运用德尔菲法(Delphi)确定各指标权重，采用加权平均的方法计算综合影响强度，利用综合影响强度事故率法建立了公路交通事故黑点鉴别方法模型。